diff --git a/.github/codecov.yml b/.github/codecov.yml
new file mode 100644
index 0000000..e69de29
diff --git a/.github/workflows/ci-terraglue.yml b/.github/workflows/ci-terraglue.yml
index 7ca8117..5fa0c1c 100644
--- a/.github/workflows/ci-terraglue.yml
+++ b/.github/workflows/ci-terraglue.yml
@@ -4,6 +4,7 @@ on:
   push:
     branches:
       - develop
+      - feature**
   pull_request:
     branches:
       - develop
@@ -65,11 +66,13 @@ jobs:
             -u root
             -v ${{ github.workspace }}:/home/glue_user/workspace/terraglue
             -e DISABLE_SSL=true
+            -e AWS_ACCESS_KEY_ID=${{ secrets.AWS_ACCESS_KEY_ID }}
+            -e AWS_SECRET_ACCESS_KEY=${{ secrets.AWS_SECRET_ACCESS_KEY }}
+            -e AWS_REGION=sa-east-1
             --rm
             -p 4040:4040 -p 18080:18080
             --name terraglue
           run: |
-            export AWS_REGION=$(AWS_REGION)
             cd terraglue
             python3 -m pip install --user --upgrade pip -r app/requirements-container.txt
             python3 -m pytest app/ -vv --color=yes --cov=./ --cov-report=xml
diff --git a/README.md b/README.md
index 9a008c1..aa4c39a 100644
--- a/README.md
+++ b/README.md
@@ -218,6 +218,10 @@ Todos são muito bem vindos a contribuírem com evoluções e novas funcionalida
 - [Eduardo Mendes - Live de Python #168 - Pytest Fixtures](https://www.youtube.com/watch?v=sidi9Z_IkLU&t)
 - [Databricks - Data + AI Summit 2022 - Learn to Efficiently Test ETL Pipelines](https://www.youtube.com/watch?v=uzVewG8M6r0&t=1127s)
 - [Real Python - Getting Started with Testing in Python](https://realpython.com/python-testing/)
+- [Inspired Python - Five Advanced Pytest Fixture Patterns](https://www.inspiredpython.com/article/five-advanced-pytest-fixture-patterns)
+- [getmoto/moto - mock inputs](https://github.com/getmoto/moto/blob/master/tests/test_glue/fixtures/datacatalog.py)
+- [Codecov - Do test files belong in code coverage calculations?](https://about.codecov.io/blog/should-i-include-test-files-in-code-coverage-calculations/)
+- [Jenkins Issue: Endpoint does not contain a valid host name](https://issues.jenkins.io/browse/JENKINS-63177)
 
 **_Outros_**
 - [Differences between System of Record and Source of Truth](https://www.linkedin.com/pulse/difference-between-system-record-source-truth-santosh-kudva/)
diff --git a/app/pytest.ini b/app/pytest.ini
index 002519f..1f65732 100644
--- a/app/pytest.ini
+++ b/app/pytest.ini
@@ -7,6 +7,8 @@ markers =
     terraform: testes relacionados à declarações do usuário em arquivos Terraform usados para criação de recursos na nuvem
     job_manager: testes relacionados à classe GlueJobManager responsável por fornecer todos os insumos necessários para a execução de um job Glue na AWS
     etl_manager: testes relacionados à classe GlueETLManager responsável por fornecer métodos de transformação de dados e operações gerais utilizando o Glue
+    generate_dynamicframe_dict: testes relacionados ao método generate_dynamicframe_dict da classe GlueETLManager
+    generate_dataframe_dict: testes relacionados ao método generate_dataframe_dict da classe GlueETLManager
     date_attributes_extraction: testes relacionados ao método date_attributes_extraction da classe GlueETLManager
     add_partition: testes relacionados ao método add_partition da classe GlueETLManager
     repartition_dataframe: testes relacionados ao método repartition_dataframe da classe GlueETLManager
diff --git a/app/requirements-container.txt b/app/requirements-container.txt
index 85388d3..1ef8166 100644
--- a/app/requirements-container.txt
+++ b/app/requirements-container.txt
@@ -1,5 +1,9 @@
+setuptools
+boto3
 flake8
 pydocstyle
 pytest>=7.2.0
 pytest-cov
+pyparsing
 Faker
+moto
diff --git a/app/requirements-dev.txt b/app/requirements-dev.txt
index 05c2735..07e71ae 100644
--- a/app/requirements-dev.txt
+++ b/app/requirements-dev.txt
@@ -1,6 +1,10 @@
 pyspark
+setuptools
+boto3
 flake8
 pydocstyle
 pytest>=7.2.0
 pytest-cov
+pyparsing
 Faker
+moto
diff --git a/app/src/main.py b/app/src/main.py
index 49b3d7c..398485d 100644
--- a/app/src/main.py
+++ b/app/src/main.py
@@ -16,9 +16,11 @@
 
 # Bibliotecas utilizadas na construção do módulo
 from datetime import datetime
+
 from pyspark.sql import DataFrame
 from pyspark.sql.functions import col, count, avg, sum,\
     round, countDistinct, max, expr
+
 from terraglue import GlueETLManager, log_config
 
 
diff --git a/app/src/terraglue.py b/app/src/terraglue.py
index 5412a67..b0136cf 100644
--- a/app/src/terraglue.py
+++ b/app/src/terraglue.py
@@ -39,9 +39,11 @@
 import sys
 import logging
 from time import sleep
+
 from pyspark.context import SparkContext
 from pyspark.sql import DataFrame
 from pyspark.sql.functions import lit, expr
+
 from awsglue.utils import getResolvedOptions
 from awsglue.context import GlueContext
 from awsglue.job import Job
@@ -218,14 +220,9 @@ def get_context_and_session(self) -> None:
         para os elementos SparkContext, GlueContext e SparkSession.
         """
         logger.info("Criando SparkContext, GlueContext e SparkSession")
-        try:
-            self.sc = SparkContext.getOrCreate()
-            self.glueContext = GlueContext(self.sc)
-            self.spark = self.glueContext.spark_session
-        except Exception as e:
-            logger.error("Erro ao criar elementos de contexto e sessão "
-                         f"da aplicação. Exception: {e}")
-            raise e
+        self.sc = SparkContext.getOrCreate()
+        self.glueContext = GlueContext(self.sc)
+        self.spark = self.glueContext.spark_session
 
     def init_job(self) -> Job:
         """
@@ -250,13 +247,10 @@ def init_job(self) -> Job:
         self.get_context_and_session()
 
         # Inicializando objeto de Job do Glue
-        try:
-            job = Job(self.glueContext)
-            job.init(self.args['JOB_NAME'], self.args)
-            return job
-        except Exception as e:
-            logger.error(f"Erro ao inicializar job do Glue. Exception: {e}")
-            raise e
+        job = Job(self.glueContext)
+        job.init(self.args['JOB_NAME'], self.args)
+
+        return job
 
 
 # Classe para o gerenciamento de transformações Spark em um job
@@ -467,16 +461,12 @@ def generate_dynamic_frames_dict(self) -> dict:
 
         logger.info("Mapeando DynamicFrames às chaves do dicionário")
         sleep(0.01)
-        try:
-            # Criando dicionário de Dynamic Frames
-            dynamic_dict = {k: dyf for k, dyf
-                            in zip(self.data_dict.keys(), dynamic_frames)}
-            logger.info("Dados gerados com sucesso. Total de DynamicFrames: "
-                        f"{len(dynamic_dict.values())}")
-        except Exception as e:
-            logger.error("Erro ao mapear DynamicFrames às chaves do "
-                         f"dicionário de dados fornecido. Exception: {e}")
-            raise e
+
+        # Criando dicionário de Dynamic Frames
+        dynamic_dict = {k: dyf for k, dyf
+                        in zip(self.data_dict.keys(), dynamic_frames)}
+        logger.info("Dados gerados com sucesso. Total de DynamicFrames: "
+                    f"{len(dynamic_dict.values())}")
 
         # Retornando dicionário de DynamicFrames
         sleep(0.01)
@@ -688,6 +678,7 @@ def date_attributes_extraction(df: DataFrame,
         """
         try:
             # Criando expressões de conversão com base no tipo do campo
+            date_col_type = date_col_type.strip().lower()
             if convert_string_to_date:
                 if date_col_type == "date":
                     conversion_expr = f"to_date({date_col},\
@@ -728,7 +719,7 @@ def date_attributes_extraction(df: DataFrame,
             return df
 
         except Exception as e:
-            logger.error('Erro ao adicionar coluns em DataFrame com'
+            logger.error('Erro ao adicionar colunas em DataFrame com'
                          f'novos atributos de data. Exception: {e}')
             raise e
 
diff --git a/app/tests/configs/inputs.py b/app/tests/configs/inputs.py
new file mode 100644
index 0000000..616a32f
--- /dev/null
+++ b/app/tests/configs/inputs.py
@@ -0,0 +1,152 @@
+"""
+SCRIPT: configs/inputs.py
+
+CONTEXTO E OBJETIVO:
+--------------------
+Arquivo de configuração de parâmetros e variáveis
+utilizadas nos testes. O usuário deve atentar-se a todas
+as configurações e declarações de variáveis aqui
+realizadas para que os testes unitários possam ser
+executados de maneira adequada.
+---------------------------------------------------"""
+
+from pyspark.sql.types import StructType, StructField,\
+    IntegerType, StringType, BooleanType, DecimalType,\
+    DateType, TimestampType
+
+
+"""---------------------------------------------------
+------ 1. DEFININDO PARÂMETROS DE CONFIGURAÇÃO -------
+    1.1 Argumentos do job e entradas do usuário
+---------------------------------------------------"""
+
+# Argumentos obrigatórios do job a serem validados
+JOB_REQUIRED_ARGS = [
+    "JOB_NAME",
+    "OUTPUT_BUCKET",
+    "OUTPUT_DB",
+    "OUTPUT_TABLE",
+    "CONNECTION_TYPE",
+    "UPDATE_BEHAVIOR",
+    "DATA_FORMAT",
+    "COMPRESSION",
+    "ENABLE_UPDATE_CATALOG"
+]
+
+# Nome da variável terraform onde os demais parâmetros são declarados
+TF_VAR_NAME_JOB_ARGS = "glue_job_user_arguments"
+
+# Lista de argumentos do job definidos em tempo de execução
+JOB_RUNTIME_ARGS = ["JOB_NAME", "OUTPUT_BUCKET"]
+
+# Lista de chaves obrigatórias da variável DATA_DICT em main.py
+DATA_DICT_REQUIRED_KEYS = ["database", "table_name", "transformation_ctx"]
+
+
+"""---------------------------------------------------
+------ 2. DEFININDO PARÂMETROS DE CONFIGURAÇÃO -------
+     2.2 Parâmetros para mock de DataFrame Spark
+---------------------------------------------------"""
+
+# Schema para criação de DataFrame fictício Spark
+FAKE_DATAFRAME_SCHEMA = StructType([
+    StructField("id", StringType()),
+    StructField("value", IntegerType()),
+    StructField("decimal", DecimalType()),
+    StructField("boolean", BooleanType()),
+    StructField("date", DateType()),
+    StructField("timestamp", TimestampType())
+])
+
+
+"""---------------------------------------------------
+------ 2. DEFININDO PARÂMETROS DE CONFIGURAÇÃO -------
+       2.3 Parâmetros para mock no Data Catalog
+---------------------------------------------------"""
+
+# Input para mock de banco de dados
+FAKE_CATALOG_DATABASE_INPUT = {
+    "Name": "db_fake",
+    "Description": "a fake database",
+    "LocationUri": "s3://bucket-fake/db_fake",
+    "Parameters": {},
+    "CreateTableDefaultPermissions": [
+        {
+            "Principal": {"DataLakePrincipalIdentifier": "a_fake_owner"},
+            "Permissions": ["ALL"],
+        },
+    ],
+}
+
+# Input para mock de tabelas no catálogo
+FAKE_CATALOG_TABLE_INPUT = {
+    "Name": "tbl_fake",
+    "Description": "Entrada para tabela db_fake.tbl_fake contendo "
+                   "metadados mockados para uso em testes unitários",
+    "Retention": 0,
+    "StorageDescriptor": {
+        "Columns": [
+            {
+                "Name": "fake_col_1",
+                "Type": "string",
+                "Comment": "",
+                "Parameters": {}
+            },
+            {
+                "Name": "fake_col_2",
+                "Type": "string",
+                "Comment": "",
+                "Parameters": {}
+            },
+            {
+                "Name": "fake_col_3",
+                "Type": "string",
+                "Comment": "",
+                "Parameters": {}
+            },
+            {
+                "Name": "fake_col_4",
+                "Type": "string",
+                "Comment": "",
+                "Parameters": {}
+            },
+            {
+                "Name": "fake_col_5",
+                "Type": "string",
+                "Comment": "",
+                "Parameters": {}
+            }
+        ],
+        "Location": "s3://bucket-fake/db_fake/tbl_fake",
+        "InputFormat": "org.apache.hadoop.hive.ql.io.parquet"
+                       ".MapredParquetInputFormat",
+        "OutputFormat": "org.apache.hadoop.hive.ql.io.parquet."
+                        "MapredParquetOutputFormat",
+        "Compressed": False,
+        "NumberOfBuckets": 0,
+        "SerdeInfo": {
+            "Name": "main-stream",
+            "SerializationLibrary": "org.apache.hadoop.hive.ql.io.parquet."
+                                    "serde.ParquetHiveSerDe",
+        },
+        "BucketColumns": [],
+        "SortColumns": [],
+        "Parameters": {},
+        "StoredAsSubDirectories": False
+    },
+    "PartitionKeys": [],
+    "TableType": "EXTERNAL_TABLE",
+    "Parameters": {
+        "EXTERNAL": "TRUE"
+    }
+}
+
+# Simulação de data_dict com recursos mockados
+FAKE_DATA_DICT = {
+    "fake": {
+        "database": "db_fake",
+        "table_name": "tbl_fake",
+        "transformation_ctx": "dyf_fake",
+        "create_temp_view": False
+    }
+}
diff --git a/app/tests/conftest.py b/app/tests/conftest.py
index f2c1552..c8c904d 100644
--- a/app/tests/conftest.py
+++ b/app/tests/conftest.py
@@ -21,15 +21,22 @@
 # Importando módulos para uso
 import sys
 import os
-from pytest import fixture
+
+import pytest
+from faker import Faker
+
+from pyspark.sql import SparkSession
+from pyspark.sql.types import StructType
+
 from src.main import ARGV_LIST, DATA_DICT, GlueTransformationManager
 from src.terraglue import GlueJobManager, GlueETLManager
-from pyspark.sql import SparkSession
-from pyspark.sql.types import StructType, StructField, StringType,\
-    IntegerType, DateType, TimestampType
-from tests.utils.iac_helper import extract_map_variable_from_ferraform
-from tests.utils.spark_helper import generate_fake_spark_dataframe
-from faker import Faker
+
+from tests.helpers.iac_helper import extract_map_variable_from_ferraform
+from tests.helpers.spark_helper import generate_fake_spark_dataframe
+
+from tests.configs.inputs import JOB_REQUIRED_ARGS, TF_VAR_NAME_JOB_ARGS,\
+    JOB_RUNTIME_ARGS, DATA_DICT_REQUIRED_KEYS, FAKE_DATAFRAME_SCHEMA
+
 
 # Instanciando objeto Faker
 faker = Faker()
@@ -43,55 +50,41 @@
 
 
 # Variável ARGV_LIST definida no código da aplicação
-@fixture()
+@pytest.fixture()
 def argv_list() -> list:
     return ARGV_LIST
 
 
 # Lista drgumentos obrigatórios definidos pelo usuário
-@fixture()
+@pytest.fixture()
 def user_required_args() -> list:
-    return [
-        "JOB_NAME",
-        "OUTPUT_BUCKET",
-        "OUTPUT_DB",
-        "OUTPUT_TABLE",
-        "CONNECTION_TYPE",
-        "UPDATE_BEHAVIOR",
-        "DATA_FORMAT",
-        "COMPRESSION",
-        "ENABLE_UPDATE_CATALOG"
-    ]
+    return JOB_REQUIRED_ARGS
 
 
 # Dicionário de argumentos definidos pelo usuário no Terraform
-@fixture()
+@pytest.fixture()
 def iac_job_user_args() -> dict:
     return extract_map_variable_from_ferraform(
-        var_name="glue_job_user_arguments"
+        var_name=TF_VAR_NAME_JOB_ARGS
     )
 
 
 # Lista de argumentos do job criados apenas em tempo de execução
-@fixture()
+@pytest.fixture()
 def job_runtime_args() -> list:
-    return ["JOB_NAME", "OUTPUT_BUCKET"]
+    return JOB_RUNTIME_ARGS
 
 
 # Variável DATA_DICT definida no código da aplicação
-@fixture()
+@pytest.fixture()
 def data_dict() -> dict:
     return DATA_DICT
 
 
 # Lista de chaves obrigatórias da variável DATA_DICT
-@fixture()
+@pytest.fixture()
 def required_data_dict_keys() -> list:
-    return [
-        "database",
-        "table_name",
-        "transformation_ctx"
-    ]
+    return DATA_DICT_REQUIRED_KEYS
 
 
 """---------------------------------------------------
@@ -100,8 +93,8 @@ def required_data_dict_keys() -> list:
 ---------------------------------------------------"""
 
 
-# Argumentos do job utilizado para instância de classe para testes
-@fixture()
+# Argumentos do job utilizados para instância de classe para testes
+@pytest.fixture()
 def job_args_for_testing(iac_job_user_args, job_runtime_args) -> dict:
     # Simulando argumentos obtidos apenas em tempo de execução
     iac_job_user_args_complete = dict(iac_job_user_args)
@@ -112,9 +105,9 @@ def job_args_for_testing(iac_job_user_args, job_runtime_args) -> dict:
 
 
 # Objeto instanciado da classe GlueJobManager
-@fixture()
+@pytest.fixture()
 def job_manager(job_args_for_testing) -> GlueJobManager:
-    # Adicionando argumentos ao vetor de argumentos
+    # Adicionando argumentos ao vetor de argumentos do sistema
     for arg_name, arg_value in job_args_for_testing.items():
         sys.argv.append(f"--{arg_name}={arg_value}")
 
@@ -133,18 +126,19 @@ def job_manager(job_args_for_testing) -> GlueJobManager:
 
 
 # Objeto de sessão Spark para uso genérico
-@fixture()
+@pytest.fixture()
 def spark():
     return SparkSession.builder.getOrCreate()
 
 
 # Objeto instanciado da classe GlueETLManager
-@fixture()
+@pytest.fixture()
 def etl_manager(job_args_for_testing):
     # Adicionando argumentos ao vetor de argumentos
     for arg_name, arg_value in job_args_for_testing.items():
         sys.argv.append(f"--{arg_name}={arg_value}")
 
+    # Instanciando objeto
     etl_manager = GlueETLManager(
         argv_list=ARGV_LIST,
         data_dict=DATA_DICT
@@ -153,21 +147,26 @@ def etl_manager(job_args_for_testing):
     return etl_manager
 
 
+# Resultado da execução do método generate_dynamic_frames_dict
+@pytest.fixture()
+def dyf_dict(etl_manager):
+    etl_manager.init_job()
+    return etl_manager.generate_dynamic_frames_dict()
+
+
+# Resultado da execução do método generate_dynamic_frames_dict
+@pytest.fixture()
+def df_dict(etl_manager):
+    etl_manager.init_job()
+    return etl_manager.generate_dataframes_dict()
+
+
 # DataFrame fake para testagem de transformações Spark
-@fixture()
+@pytest.fixture()
 def fake_dataframe(spark):
-    # Definindo schema para DataFrame fictício
-    schema = StructType([
-        StructField("id", StringType()),
-        StructField("value", IntegerType()),
-        StructField("date", DateType()),
-        StructField("timestamp", TimestampType())
-    ])
-
-    # Gerando DataFrame fictício
     return generate_fake_spark_dataframe(
         spark=spark,
-        schema_input=schema
+        schema_input=FAKE_DATAFRAME_SCHEMA
     )
 
 
@@ -178,7 +177,7 @@ def fake_dataframe(spark):
 
 
 # Objeto instanciado da classe GlueETLManager
-@fixture()
+@pytest.fixture()
 def glue_manager(job_args_for_testing):
     # Adicionando argumentos ao vetor de argumentos
     for arg_name, arg_value in job_args_for_testing.items():
@@ -193,7 +192,7 @@ def glue_manager(job_args_for_testing):
 
 
 # DataFrame vazio para teste de exceção dos métodos de transformação
-@fixture()
+@pytest.fixture()
 def empty_df(spark):
     # Criando RDD e schema vazios
     empty_rdd = spark.sparkContext.emptyRDD()
@@ -204,7 +203,7 @@ def empty_df(spark):
 
 
 # Amostra de DataFrame df_orders
-@fixture()
+@pytest.fixture()
 def df_orders(spark):
     # Definindo variável para leitura do DataFrame
     filename = "sample_olist_orders_dataset.csv"
@@ -223,13 +222,13 @@ def df_orders(spark):
 
 
 # Resultado do método de transformação df_orders_prep
-@fixture()
+@pytest.fixture()
 def df_orders_prep(glue_manager, df_orders):
     return glue_manager.transform_orders(df_orders)
 
 
 # Amostra de DataFrame df_order_items
-@fixture()
+@pytest.fixture()
 def df_order_items(spark):
     # Definindo variável para leitura do DataFrame
     filename = "sample_olist_order_items_dataset.csv"
@@ -248,13 +247,13 @@ def df_order_items(spark):
 
 
 # Resultado do método de transformação df_order_items_prep
-@fixture()
+@pytest.fixture()
 def df_order_items_prep(glue_manager, df_order_items):
     return glue_manager.transform_order_items(df_order_items)
 
 
 # Amostra de DataFrame df_customers
-@fixture()
+@pytest.fixture()
 def df_customers(spark):
     # Definindo variável para leitura do DataFrame
     filename = "sample_olist_customers_dataset.csv"
@@ -273,13 +272,13 @@ def df_customers(spark):
 
 
 # Resultado do método de transformação df_customers_prep
-@fixture()
+@pytest.fixture()
 def df_customers_prep(glue_manager, df_customers):
     return glue_manager.transform_customers(df_customers)
 
 
 # Amostra de DataFrame df_payments
-@fixture()
+@pytest.fixture()
 def df_payments(spark):
     # Definindo variável para leitura do DataFrame
     filename = "sample_olist_order_payments_dataset.csv"
@@ -298,13 +297,13 @@ def df_payments(spark):
 
 
 # Resultado do método de transformação df_payments_prep
-@fixture()
+@pytest.fixture()
 def df_payments_prep(glue_manager, df_payments):
     return glue_manager.transform_payments(df_payments)
 
 
 # Amostra de DataFrame df_reviews
-@fixture()
+@pytest.fixture()
 def df_reviews(spark):
     # Definindo variável para leitura do DataFrame
     filename = "sample_olist_order_reviews_dataset.csv"
@@ -323,13 +322,13 @@ def df_reviews(spark):
 
 
 # Resultado do método de transformação df_reviews_prep
-@fixture()
+@pytest.fixture()
 def df_reviews_prep(glue_manager, df_reviews):
     return glue_manager.transform_reviews(df_reviews)
 
 
 # Resultado do método de transformação df_sot_prep
-@fixture()
+@pytest.fixture()
 def df_sot_prep(glue_manager, df_orders_prep, df_order_items_prep,
                 df_customers_prep, df_payments_prep,
                 df_reviews_prep):
diff --git a/app/tests/utils/iac_helper.py b/app/tests/helpers/iac_helper.py
similarity index 99%
rename from app/tests/utils/iac_helper.py
rename to app/tests/helpers/iac_helper.py
index f3e585f..fbbad25 100644
--- a/app/tests/utils/iac_helper.py
+++ b/app/tests/helpers/iac_helper.py
@@ -1,5 +1,5 @@
 """
-MÓDULO: terraform_helper.py
+MÓDULO: iac_helper.py
 
 CONTEXTO:
 ---------
diff --git a/app/tests/utils/spark_helper.py b/app/tests/helpers/spark_helper.py
similarity index 98%
rename from app/tests/utils/spark_helper.py
rename to app/tests/helpers/spark_helper.py
index 7f6238e..3b17c14 100644
--- a/app/tests/utils/spark_helper.py
+++ b/app/tests/helpers/spark_helper.py
@@ -48,11 +48,6 @@
 ---------------------------------------------------"""
 
 
-# Criando e retornando objeto de sessão Spark
-def create_spark_session() -> SparkSession:
-    return SparkSession.builder.getOrCreate()
-
-
 # Gerando schema Spark através de dicionário de metadados
 def generate_schema_from_dict(schema_dict: dict,
                               nullable: bool = True) -> StructType():
diff --git a/app/tests/test_01_user_inputs.py b/app/tests/test_01_user_inputs.py
index 5be1642..81dad80 100644
--- a/app/tests/test_01_user_inputs.py
+++ b/app/tests/test_01_user_inputs.py
@@ -20,7 +20,7 @@
 ---------------------------------------------------"""
 
 # Importando módulos para uso
-from pytest import mark
+import pytest
 
 
 """---------------------------------------------------
@@ -29,9 +29,9 @@
 ---------------------------------------------------"""
 
 
-@mark.user_input
-@mark.argv_list
-def test_variavel_argv_list_definida_como_uma_lista(argv_list):
+@pytest.mark.user_input
+@pytest.mark.argv_list
+def test_variavel_argvlist_definida_como_uma_lista(argv_list):
     """
     G: dado que o usuário iniciou a codificação do seu job Glue
     W: quando a variável ARGV_LIST for definida/adaptada pelo usuário
@@ -40,8 +40,8 @@ def test_variavel_argv_list_definida_como_uma_lista(argv_list):
     assert type(argv_list) == list
 
 
-@mark.user_input
-@mark.argv_list
+@pytest.mark.user_input
+@pytest.mark.argv_list
 def test_variavel_argvlist_possui_argumentos_obrigatorios(argv_list,
                                                           user_required_args):
     """
@@ -52,9 +52,9 @@ def test_variavel_argvlist_possui_argumentos_obrigatorios(argv_list,
     assert all(arg in argv_list for arg in user_required_args)
 
 
-@mark.user_input
-@mark.argv_list
-@mark.terraform
+@pytest.mark.user_input
+@pytest.mark.argv_list
+@pytest.mark.terraform
 def test_variavel_argvlist_possui_argumentos_declarados_no_terraform(
     argv_list, iac_job_user_args, job_runtime_args
 ):
@@ -86,9 +86,9 @@ def test_variavel_argvlist_possui_argumentos_declarados_no_terraform(
     assert set(argv_list_custom) == set(tf_args)
 
 
-@mark.user_input
-@mark.data_dict
-def test_tipo_primitivo_variavel_datadict(data_dict):
+@pytest.mark.user_input
+@pytest.mark.data_dict
+def test_variavel_datadict_definida_como_um_dicionario(data_dict):
     """
     G: dado que o usuário iniciou a codificação do seu job Glue
     W: quando a variável DATA_DICT for definida/adaptada pelo usuário
@@ -97,8 +97,8 @@ def test_tipo_primitivo_variavel_datadict(data_dict):
     assert type(data_dict) == dict
 
 
-@mark.user_input
-@mark.data_dict
+@pytest.mark.user_input
+@pytest.mark.data_dict
 def test_variavel_datadict_possui_chaves_obrigatorias(data_dict,
                                                       required_data_dict_keys):
     """
diff --git a/app/tests/test_02_job_manager.py b/app/tests/test_02_job_manager.py
index 15e2156..863d785 100644
--- a/app/tests/test_02_job_manager.py
+++ b/app/tests/test_02_job_manager.py
@@ -22,10 +22,12 @@
 ---------------------------------------------------"""
 
 # Importando módulos para uso
-from pytest import mark
+import pytest
+
 from pyspark.context import SparkContext
-from awsglue.context import GlueContext
 from pyspark.sql import SparkSession
+
+from awsglue.context import GlueContext
 from awsglue.job import Job
 
 
@@ -35,22 +37,37 @@
 ---------------------------------------------------"""
 
 
-@mark.job_manager
+@pytest.mark.job_manager
 def test_captura_de_argumentos_do_job_na_construcao_da_classe(
     job_manager,
     job_args_for_testing
 ):
     """
-    G: dado que o usuário instanciou um objeto da classe Job Manager
+    G: dado que o usuário instanciou um objeto da classe GlueJobManager
     W: quando o método construtor da classe for executado
     T: os argumentos passados pelo usuário no ato de criação de objeto
        devem estar contidos no dicionário de argumentos gerais do job
-       obtidos, na classe, a partir do método awsglue.utilsgetResolverOptions
     """
     assert job_args_for_testing.items() <= job_manager.args.items()
 
 
-@mark.job_manager
+@pytest.mark.job_manager
+def test_erro_ao_executar_metodo_print_args(job_manager):
+    """
+    G: dado que o usuário inicializou o objeto job_manager com
+       algum argumento de sistema nulo
+    W: quando o método print_args() for executado
+    T: então uma exceção deve ser lançada
+    """
+    # Modificando argumentos do sistema salvos no objeto da classe
+    job_manager.args = None
+
+    with pytest.raises(Exception):
+        # Chamando método para print de argumentos no log
+        job_manager.print_args()
+
+
+@pytest.mark.job_manager
 def test_obtencao_de_elementos_de_contexto_e_sessao(job_manager):
     """
     G: dado que o usuário deseja obter os elementos de contexto e sessão no Job
@@ -58,7 +75,6 @@ def test_obtencao_de_elementos_de_contexto_e_sessao(job_manager):
     T: então os atributos self.sc, self.glueContext e self.spark devem existir
        na classe GlueJobManager
     """
-
     # Executando método de coleta de elementos de contexto e sessão do job
     job_manager.get_context_and_session()
 
@@ -66,11 +82,11 @@ def test_obtencao_de_elementos_de_contexto_e_sessao(job_manager):
     class_attribs = job_manager.__dict__
     attribs_names = ["sc", "glueContext", "spark"]
 
-    # Validando existência de atributos da classe
+    # Validando se a lista de atributos existem na classe
     assert all(a in list(class_attribs.keys()) for a in attribs_names)
 
 
-@mark.job_manager
+@pytest.mark.job_manager
 def test_tipos_primitivos_de_elementos_de_contexto_e_sessao(job_manager):
     """
     G: dado que o usuário deseja obter os elementos de contexto e sessão no Job
@@ -79,7 +95,6 @@ def test_tipos_primitivos_de_elementos_de_contexto_e_sessao(job_manager):
        representar elementos do tipo SparkContext, GlueContext e SparkSession,
        respectivamente
     """
-
     # Executando método de coleta de elementos de contexto e sessão do job
     job_manager.get_context_and_session()
 
@@ -92,7 +107,7 @@ def test_tipos_primitivos_de_elementos_de_contexto_e_sessao(job_manager):
     assert type(class_attribs["spark"]) == SparkSession
 
 
-@mark.job_manager
+@pytest.mark.job_manager
 def test_metodo_de_inicializacao_do_job_gera_contexto_e_sessao(job_manager):
     """
     G: dado que deseja-se inicializar um job Glue pela classe GlueJobManager
@@ -100,7 +115,6 @@ def test_metodo_de_inicializacao_do_job_gera_contexto_e_sessao(job_manager):
     T: então os elementos de contexto e sessão (Spark e Glue) devem existir
        e apresentarem os tipos primitivos adequados
     """
-
     # Executando método de inicialização do job
     _ = job_manager.init_job()
 
@@ -117,13 +131,11 @@ def test_metodo_de_inicializacao_do_job_gera_contexto_e_sessao(job_manager):
     assert type(class_attribs["spark"]) == SparkSession
 
 
-@mark.job_manager
+@pytest.mark.job_manager
 def test_metodo_de_inicializacao_do_job_retorna_tipo_job(job_manager):
     """
     G: dado que deseja-se inicializar um job Glue pela classe GlueJobManager
     W: quando o método init_job() for chamado
     T: então o retorno deve ser um objeto do tipo awsglue.job.Job
     """
-
-    # Executando método de inicialização do job
     assert type(job_manager.init_job()) == Job
diff --git a/app/tests/test_03_etl_manager.py b/app/tests/test_03_etl_manager.py
index 1451f61..79a7c72 100644
--- a/app/tests/test_03_etl_manager.py
+++ b/app/tests/test_03_etl_manager.py
@@ -21,10 +21,14 @@
           1.1 Importação das bibliotecas
 ---------------------------------------------------"""
 
-# Importando módulos para uso
-from pytest import mark
+import pytest
 from datetime import datetime
+import copy
+
 from pyspark.sql.types import StringType, DateType, TimestampType
+from pyspark.sql import DataFrame
+
+from awsglue.dynamicframe import DynamicFrame
 
 
 """---------------------------------------------------
@@ -33,8 +37,133 @@
 ---------------------------------------------------"""
 
 
-@mark.etl_manager
-@mark.date_attributes_extraction
+@pytest.mark.etl_manager
+@pytest.mark.generate_dynamicframe_dict
+def test_metodo_de_geracao_de_dynamicframes_gera_dicionario(
+    dyf_dict
+):
+    """
+    G: dado que o usuário deseja realizar a leitura de dynamicframes
+       com base na variável DATA_DICT devidamente definida
+    W: quando o método generate_dynamic_frames_dict() for executado
+    T: então o objeto resultante deve ser um dicionário
+    """
+    assert type(dyf_dict) == dict
+
+
+@pytest.mark.etl_manager
+@pytest.mark.generate_dynamicframe_dict
+def test_dict_de_dyfs_possui_qtd_de_elementos_iguais_ao_dict_datadict(
+    dyf_dict, data_dict
+):
+    """
+    G: dado que o usuário deseja realizar a leitura de dynamicframes
+       com base na variável DATA_DICT devidamente definida
+    W: quando o método generate_dynamic_frames_dict() for executado
+    T: então a quantidade de elementos presente no dicionário de
+       dynamicframes resultante precisa ser igual à quantidade de
+       elementos do dicionário DATA_DICT
+    """
+    assert len(dyf_dict) == len(data_dict)
+
+
+@pytest.mark.etl_manager
+@pytest.mark.generate_dynamicframe_dict
+def test_tipo_primitivo_dos_elementos_do_dicionario_de_dynamicframes(
+    dyf_dict
+):
+    """
+    G: dado que o usuário deseja realizar a leitura de dynamicframes
+       com base na variável DATA_DICT devidamente definida
+    W: quando o método generate_dynamic_frames_dict() for executado
+    T: então os elementos que compõem o dicionário resultante precisam
+       ser do tipo DynamicFrame do Glue
+    """
+    # Extraindo lista de tipos primitivos
+    dyfs = list(dyf_dict.values())
+    assert all(type(dyf) == DynamicFrame for dyf in dyfs)
+
+
+@pytest.mark.etl_manager
+@pytest.mark.generate_dynamicframe_dict
+def test_erro_ao_gerar_dynamicframes_de_tabelas_inexistentes_no_catalogo(
+    etl_manager
+):
+    """
+    G: dado que o usuário deseja realizar a leitura de dynamicframes
+       com base na variável DATA_DICT devidamente definida
+    W: quando o método generate_dynamic_frames_dict() for executado com
+       alguma inconsistência na definição da variável DATA_DICT que
+       indique a leitura de tabelas inexistentes no catálogo de dados ou
+       com alguma restrição de acesso do usuário
+    T: então uma exceção deve ser lançada
+    """
+    # Copiando objeto
+    etl_manager_copy = copy.deepcopy(etl_manager)
+
+    # Modificando atributo data_dict
+    data_dict_copy = etl_manager_copy.data_dict
+    data_dict_copy[list(data_dict_copy.keys())[0]]["database"] \
+        = "a fake database"
+
+    # Assimilando DATA_DICT modificado ao objeto da classe
+    etl_manager_copy.data_dict = data_dict_copy
+    etl_manager_copy.init_job()
+
+    # Executando método de geração de DynamicFrames
+    with pytest.raises(Exception):
+        _ = etl_manager_copy.generate_dynamic_frames_dict()
+
+
+@pytest.mark.etl_manager
+@pytest.mark.generate_dataframe_dict
+def test_metodo_de_geracao_de_dataframes_gera_dicionario(
+    df_dict
+):
+    """
+    G: dado que o usuário deseja realizar a leitura de dataframes
+       com base na variável DATA_DICT devidamente definida
+    W: quando o método generate_dataframes_dict() for executado
+    T: então o objeto resultante deve ser um dicionário
+    """
+    assert type(df_dict) == dict
+
+
+@pytest.mark.etl_manager
+@pytest.mark.generate_dataframe_dict
+def test_dict_de_dfs_possui_qtd_de_elementos_iguais_ao_dict_datadict(
+    df_dict, data_dict
+):
+    """
+    G: dado que o usuário deseja realizar a leitura de dataframes
+       com base na variável DATA_DICT devidamente definida
+    W: quando o método generate_dataframes_dict() for executado
+    T: então a quantidade de elementos presente no dicionário de
+       dataframes resultante precisa ser igual à quantidade de
+       elementos do dicionário DATA_DICT
+    """
+    assert len(df_dict) == len(data_dict)
+
+
+@pytest.mark.etl_manager
+@pytest.mark.generate_dataframe_dict
+def test_tipo_primitivo_dos_elementos_do_dicionario_de_dataframes(
+    df_dict
+):
+    """
+    G: dado que o usuário deseja realizar a leitura de dataframes
+       com base na variável DATA_DICT devidamente definida
+    W: quando o método generate_dataframes_dict() for executado
+    T: então os elementos que compõem o dicionário resultante precisam
+       ser do tipo DataFrame do Spark
+    """
+    # Extraindo lista de tipos primitivos
+    dfs = list(df_dict.values())
+    assert all(type(df) == DataFrame for df in dfs)
+
+
+@pytest.mark.etl_manager
+@pytest.mark.date_attributes_extraction
 def test_conversao_de_data_no_metodo_de_extracao_de_atributos_de_data(
     etl_manager, fake_dataframe, date_col="date", date_col_type="date",
     date_test_col_name="date_test", date_format='%Y-%m-%d'
@@ -77,8 +206,8 @@ def test_conversao_de_data_no_metodo_de_extracao_de_atributos_de_data(
     assert dtype_pos_casting == DateType()
 
 
-@mark.etl_manager
-@mark.date_attributes_extraction
+@pytest.mark.etl_manager
+@pytest.mark.date_attributes_extraction
 def test_conversao_de_timestamp_no_metodo_de_extracao_de_atributos_de_data(
     etl_manager, fake_dataframe, date_col="timestamp",
     date_col_type="timestamp", date_test_col_name="timestamp_test",
@@ -122,8 +251,8 @@ def test_conversao_de_timestamp_no_metodo_de_extracao_de_atributos_de_data(
     assert dtype_pos_casting == TimestampType()
 
 
-@mark.etl_manager
-@mark.date_attributes_extraction
+@pytest.mark.etl_manager
+@pytest.mark.date_attributes_extraction
 def test_adicao_de_novas_colunas_apos_extracao_de_atributos_de_data(
     etl_manager, fake_dataframe, date_col="date"
 ):
@@ -160,8 +289,8 @@ def test_adicao_de_novas_colunas_apos_extracao_de_atributos_de_data(
     assert all(c in df_date.schema.fieldNames() for c in date_attribs_names)
 
 
-@mark.etl_manager
-@mark.date_attributes_extraction
+@pytest.mark.etl_manager
+@pytest.mark.date_attributes_extraction
 def test_extracao_do_ano_de_atributo_de_data(
     etl_manager, fake_dataframe, date_col="date"
 ):
@@ -197,8 +326,8 @@ def test_extracao_do_ano_de_atributo_de_data(
     assert calculated_years[:] == expected_years[:]
 
 
-@mark.etl_manager
-@mark.date_attributes_extraction
+@pytest.mark.etl_manager
+@pytest.mark.date_attributes_extraction
 def test_extracao_do_mes_de_atributo_de_data(
     etl_manager, fake_dataframe, date_col="date"
 ):
@@ -234,8 +363,8 @@ def test_extracao_do_mes_de_atributo_de_data(
     assert expected_months[:] == calculated_months[:]
 
 
-@mark.etl_manager
-@mark.date_attributes_extraction
+@pytest.mark.etl_manager
+@pytest.mark.date_attributes_extraction
 def test_extracao_do_dia_de_atributo_de_data(
     etl_manager, fake_dataframe, date_col="date"
 ):
@@ -271,8 +400,53 @@ def test_extracao_do_dia_de_atributo_de_data(
     assert expected_days[:] == calculated_days[:]
 
 
-@mark.etl_manager
-@mark.add_partition
+@pytest.mark.etl_manager
+@pytest.mark.date_attributes_extraction
+def test_erro_ao_fornecer_argumento_date_col_type_incorreto(
+    etl_manager, fake_dataframe, date_col="date"
+):
+    """
+    G: dado que o usuário deseja aplicar o método de extração de
+       atributos de data em uma operação de transformação de dados
+    W: quando o método método date_attributes_extraction() da classe
+       GlueETLManager for executado em uma coluna de data com o
+       argumento date_col_type não configurado como 'date' ou 'timestamp'
+    T: então uma exceção deve ser lançada
+    """
+    with pytest.raises(Exception):
+        _ = etl_manager.date_attributes_extraction(
+            df=fake_dataframe,
+            date_col=date_col,
+            convert_string_to_date=True,
+            date_col_type="string"
+        )
+
+
+@pytest.mark.etl_manager
+@pytest.mark.date_attributes_extraction
+def test_erro_ao_extrair_atributos_de_data_em_coluna_nao_compativel(
+    etl_manager, fake_dataframe, date_col="bool"
+):
+    """
+    G: dado que o usuário deseja aplicar o método de extração de
+       atributos de data em uma operação de transformação de dados
+    W: quando o método método date_attributes_extraction() da classe
+       GlueETLManager for executado em uma coluna não compatível ou
+       não transformável em data e com o flag convert_string_to_date
+       igual a True
+    T: então uma exceção deve ser lançada
+    """
+    with pytest.raises(Exception):
+        _ = etl_manager.date_attributes_extraction(
+            df=fake_dataframe,
+            date_col=date_col,
+            convert_string_to_date=True,
+            date_col_type="date"
+        )
+
+
+@pytest.mark.etl_manager
+@pytest.mark.add_partition
 def test_adicao_de_coluna_de_particao_anomesdia_dataframe(
     etl_manager, fake_dataframe, partition_name="anomesdia",
     partition_value=int(datetime.now().strftime("%Y%m%d"))
@@ -287,7 +461,6 @@ def test_adicao_de_coluna_de_particao_anomesdia_dataframe(
        de nome "anomesdia" do mesmo tipo primitivo do argumento
        partition_value
     """
-
     # Executando método de adição de partição em DataFrame
     df_partitioned = etl_manager.add_partition(
         df=fake_dataframe,
@@ -306,8 +479,29 @@ def test_adicao_de_coluna_de_particao_anomesdia_dataframe(
     assert generated_partition_value == partition_value
 
 
-@mark.etl_manager
-@mark.repartition_dataframe
+@pytest.mark.etl_manager
+@pytest.mark.add_partition
+def test_erro_ao_adicionar_particao_com_nome_de_particao_invalido(
+    etl_manager, fake_dataframe, partition_name=None,
+    partition_value="1"
+):
+    """
+    G: dado que o usuário deseja adicionar uma coluna de data
+       para servir de partição de seu DataFrame Spark
+    W: quando o usuário executar o método add_partition da classe
+       GlueETLManager com o argumento partition_name igual a None
+    T: então uma exceção deve ser lançada
+    """
+    with pytest.raises(Exception):
+        _ = etl_manager.add_partition(
+            df=fake_dataframe,
+            partition_name=partition_name,
+            partition_value=partition_value
+        )
+
+
+@pytest.mark.etl_manager
+@pytest.mark.repartition_dataframe
 def test_reparticionamento_de_dataframe_para_menos_particoes(
     etl_manager, fake_dataframe
 ):
@@ -320,7 +514,6 @@ def test_reparticionamento_de_dataframe_para_menos_particoes(
     T: então o DataFrame resultante deverá conter o número
        especificado de partições
     """
-
     # Coletando informações sobre partições atuais do DataFrame
     current_partitions = fake_dataframe.rdd.getNumPartitions()
     partitions_to_set = current_partitions // 2
@@ -335,8 +528,8 @@ def test_reparticionamento_de_dataframe_para_menos_particoes(
     assert df_repartitioned.rdd.getNumPartitions() == partitions_to_set
 
 
-@mark.etl_manager
-@mark.repartition_dataframe
+@pytest.mark.etl_manager
+@pytest.mark.repartition_dataframe
 def test_reparticionamento_de_dataframe_para_mais_particoes(
     etl_manager, fake_dataframe
 ):
@@ -349,7 +542,6 @@ def test_reparticionamento_de_dataframe_para_mais_particoes(
     T: então o DataFrame resultante deverá conter o número
        especificado de partições
     """
-
     # Coletando informações sobre partições atuais do DataFrame
     current_partitions = fake_dataframe.rdd.getNumPartitions()
     partitions_to_set = current_partitions * 2
@@ -362,3 +554,60 @@ def test_reparticionamento_de_dataframe_para_mais_particoes(
 
     # Validando resultado
     assert df_repartitioned.rdd.getNumPartitions() == partitions_to_set
+
+
+@pytest.mark.etl_manager
+@pytest.mark.repartition_dataframe
+def test_reparticionamento_de_dataframe_para_mesmo_numero_de_particoes(
+    etl_manager, fake_dataframe
+):
+    """
+    G: dado que o usuário deseja reparticionar um DataFrame Spark
+       para otimização do armazenamento físico do mesmo no s3
+    W: quando o usuário executar o método repartition_dataframe()
+       da classe GlueETLManager passando um número IGUAL de
+       partições físicas do que o número atual do DataFrame
+    T: então nenhuma operação deve ser realizada e o mesmo DataFrame
+       passado como input deve ser retornado com o número de
+       partições intacto
+    """
+    # Coletando informações sobre partições atuais do DataFrame
+    current_partitions = fake_dataframe.rdd.getNumPartitions()
+    partitions_to_set = current_partitions
+
+    # Repartitionando DataFrame
+    df_repartitioned = etl_manager.repartition_dataframe(
+        df=fake_dataframe,
+        num_partitions=partitions_to_set
+    )
+
+    # Validando resultado
+    assert df_repartitioned.rdd.getNumPartitions() == partitions_to_set
+
+
+@pytest.mark.etl_manager
+@pytest.mark.repartition_dataframe
+def test_erro_ao_repartitionar_dataframe_com_numero_invalido_de_particoes(
+    etl_manager, fake_dataframe, partitions_to_set=-1
+):
+    """
+    G: dado que o usuário deseja reparticionar um DataFrame Spark
+       para otimização do armazenamento físico do mesmo no s3
+    W: quando o usuário executar o método repartition_dataframe()
+       da classe GlueETLManager passando um número negativo de
+       partições
+    T: então nenhuma operação deve ser realizada e o mesmo DataFrame
+       passado como input deve ser retornado com o número de
+       partições intacto
+    """
+    # Coletando informações sobre partições atuais do DataFrame
+    current_partitions = fake_dataframe.rdd.getNumPartitions()
+
+    # Repartitionando DataFrame
+    df_repartitioned = etl_manager.repartition_dataframe(
+        df=fake_dataframe,
+        num_partitions=partitions_to_set
+    )
+
+    # Validando resultado
+    assert df_repartitioned.rdd.getNumPartitions() == current_partitions
diff --git a/app/tests/test_04_main.py b/app/tests/test_04_main.py
index ad505e0..2ab5865 100644
--- a/app/tests/test_04_main.py
+++ b/app/tests/test_04_main.py
@@ -23,7 +23,6 @@
 
 # Importando módulos para uso
 import pytest
-from pytest import mark
 from pyspark.sql.types import StructType, StructField,\
     StringType, IntegerType, DateType, TimestampType,\
     LongType, DecimalType, DoubleType
@@ -35,8 +34,8 @@
 ---------------------------------------------------"""
 
 
-@mark.main
-@mark.orders
+@pytest.mark.main
+@pytest.mark.orders
 def test_qtd_linhas_resultantes_pos_transformacao_orders(
     df_orders, df_orders_prep
 ):
@@ -52,8 +51,8 @@ def test_qtd_linhas_resultantes_pos_transformacao_orders(
     assert df_orders_prep.count() == df_orders.count()
 
 
-@mark.main
-@mark.orders
+@pytest.mark.main
+@pytest.mark.orders
 def test_schema_resultante_pos_transformacao_orders(
     df_orders_prep
 ):
@@ -88,8 +87,8 @@ def test_schema_resultante_pos_transformacao_orders(
     assert df_orders_prep.schema == expected_schema
 
 
-@mark.main
-@mark.orders
+@pytest.mark.main
+@pytest.mark.orders
 def test_erro_criacao_de_dag_transformacao_orders(
     glue_manager, empty_df
 ):
@@ -108,8 +107,8 @@ def test_erro_criacao_de_dag_transformacao_orders(
         _ = glue_manager.transform_orders(empty_df)
 
 
-@mark.main
-@mark.order_items
+@pytest.mark.main
+@pytest.mark.order_items
 def test_qtd_linhas_resultantes_pos_transformacao_order_items(
     df_order_items_prep
 ):
@@ -125,8 +124,8 @@ def test_qtd_linhas_resultantes_pos_transformacao_order_items(
     assert df_order_items_prep.count() == 10
 
 
-@mark.main
-@mark.order_items
+@pytest.mark.main
+@pytest.mark.order_items
 def test_nao_duplicidade_de_order_id_pos_transformacao_order_items(
     df_order_items_prep
 ):
@@ -146,8 +145,8 @@ def test_nao_duplicidade_de_order_id_pos_transformacao_order_items(
     assert lines_distinct == lines
 
 
-@mark.main
-@mark.order_items
+@pytest.mark.main
+@pytest.mark.order_items
 def test_schema_resultante_pos_transformacao_order_items(
     df_order_items_prep
 ):
@@ -175,8 +174,8 @@ def test_schema_resultante_pos_transformacao_order_items(
     assert df_order_items_prep.schema == expected_schema
 
 
-@mark.main
-@mark.order_items
+@pytest.mark.main
+@pytest.mark.order_items
 def test_erro_criacao_de_dag_transformacao_order_items(
     glue_manager, empty_df
 ):
@@ -195,8 +194,8 @@ def test_erro_criacao_de_dag_transformacao_order_items(
         _ = glue_manager.transform_order_items(empty_df)
 
 
-@mark.main
-@mark.customers
+@pytest.mark.main
+@pytest.mark.customers
 def test_qtd_linhas_resultantes_pos_transformacao_customers(
     df_customers, df_customers_prep
 ):
@@ -212,8 +211,8 @@ def test_qtd_linhas_resultantes_pos_transformacao_customers(
     assert df_customers_prep.count() == df_customers.count()
 
 
-@mark.main
-@mark.customers
+@pytest.mark.main
+@pytest.mark.customers
 def test_nao_duplicidade_de_customer_id_pos_transformacao_customers(
     df_customers_prep
 ):
@@ -233,8 +232,8 @@ def test_nao_duplicidade_de_customer_id_pos_transformacao_customers(
     assert lines_distinct == lines
 
 
-@mark.main
-@mark.customers
+@pytest.mark.main
+@pytest.mark.customers
 def test_schema_resultante_pos_transformacao_customers(
     df_customers_prep
 ):
@@ -257,8 +256,8 @@ def test_schema_resultante_pos_transformacao_customers(
     assert df_customers_prep.schema == expected_schema
 
 
-@mark.main
-@mark.customers
+@pytest.mark.main
+@pytest.mark.customers
 def test_erro_criacao_de_dag_transformacao_customers(
     glue_manager, empty_df
 ):
@@ -277,8 +276,8 @@ def test_erro_criacao_de_dag_transformacao_customers(
         _ = glue_manager.transform_customers(empty_df)
 
 
-@mark.main
-@mark.payments
+@pytest.mark.main
+@pytest.mark.payments
 def test_qtd_linhas_resultantes_pos_transformacao_payments(
     df_payments_prep
 ):
@@ -294,8 +293,8 @@ def test_qtd_linhas_resultantes_pos_transformacao_payments(
     assert df_payments_prep.count() == 10
 
 
-@mark.main
-@mark.payments
+@pytest.mark.main
+@pytest.mark.payments
 def test_nao_duplicidade_de_order_id_pos_transformacao_payments(
     df_payments_prep
 ):
@@ -315,8 +314,8 @@ def test_nao_duplicidade_de_order_id_pos_transformacao_payments(
     assert lines_distinct == lines
 
 
-@mark.main
-@mark.payments
+@pytest.mark.main
+@pytest.mark.payments
 def test_schema_resultante_pos_transformacao_payments(
     df_payments_prep
 ):
@@ -342,8 +341,8 @@ def test_schema_resultante_pos_transformacao_payments(
     assert df_payments_prep.schema == expected_schema
 
 
-@mark.main
-@mark.payments
+@pytest.mark.main
+@pytest.mark.payments
 def test_erro_criacao_de_dag_transformacao_payments(
     glue_manager, empty_df
 ):
@@ -362,8 +361,8 @@ def test_erro_criacao_de_dag_transformacao_payments(
         _ = glue_manager.transform_payments(empty_df)
 
 
-@mark.main
-@mark.reviews
+@pytest.mark.main
+@pytest.mark.reviews
 def test_qtd_linhas_resultantes_pos_transformacao_reviews(
     df_reviews_prep
 ):
@@ -379,8 +378,8 @@ def test_qtd_linhas_resultantes_pos_transformacao_reviews(
     assert df_reviews_prep.count() == 10
 
 
-@mark.main
-@mark.reviews
+@pytest.mark.main
+@pytest.mark.reviews
 def test_nao_duplicidade_de_order_id_pos_transformacao_reviews(
     df_reviews_prep
 ):
@@ -400,8 +399,8 @@ def test_nao_duplicidade_de_order_id_pos_transformacao_reviews(
     assert lines_distinct == lines
 
 
-@mark.main
-@mark.reviews
+@pytest.mark.main
+@pytest.mark.reviews
 def test_schema_resultante_pos_transformacao_reviews(
     df_reviews_prep
 ):
@@ -424,8 +423,8 @@ def test_schema_resultante_pos_transformacao_reviews(
     assert df_reviews_prep.schema == expected_schema
 
 
-@mark.main
-@mark.reviews
+@pytest.mark.main
+@pytest.mark.reviews
 def test_erro_criacao_de_dag_transformacao_reviews(
     glue_manager, empty_df
 ):
@@ -444,8 +443,8 @@ def test_erro_criacao_de_dag_transformacao_reviews(
         _ = glue_manager.transform_reviews(empty_df)
 
 
-@mark.main
-@mark.sot
+@pytest.mark.main
+@pytest.mark.sot
 def test_qtd_linhas_resultantes_pos_transformacao_sot(
     df_sot_prep
 ):
@@ -461,8 +460,8 @@ def test_qtd_linhas_resultantes_pos_transformacao_sot(
     assert df_sot_prep.count() == 10
 
 
-@mark.main
-@mark.sot
+@pytest.mark.main
+@pytest.mark.sot
 def test_nao_duplicidade_de_order_id_pos_transformacao_sot(
     df_sot_prep
 ):
@@ -482,8 +481,8 @@ def test_nao_duplicidade_de_order_id_pos_transformacao_sot(
     assert lines_distinct == lines
 
 
-@mark.main
-@mark.sot
+@pytest.mark.main
+@pytest.mark.sot
 def test_schema_resultante_pos_transformacao_sot(
     df_sot_prep
 ):
@@ -536,8 +535,8 @@ def test_schema_resultante_pos_transformacao_sot(
     assert df_sot_prep.schema == expected_schema
 
 
-@mark.main
-@mark.sot
+@pytest.mark.main
+@pytest.mark.sot
 def test_erro_criacao_de_dag_transformacao_sot(
     glue_manager, empty_df
 ):
@@ -553,4 +552,10 @@ def test_erro_criacao_de_dag_transformacao_sot(
 
     # Testando exceção
     with pytest.raises(Exception):
-        _ = glue_manager.transform_sot(empty_df)
+        _ = glue_manager.transform_sot(
+            df_orders_prep=empty_df,
+            df_order_items_prep=empty_df,
+            df_customers_prep=empty_df,
+            df_payments_prep=empty_df,
+            df_reviews_prep=empty_df
+        )